如何在R中循环计算list.paired变量组合对应longdat向量的相关性？

我明白你现在的需求：已经用expand.grid生成了所有变量的配对组合，想要循环每一组计算对应向量的相关性，但之前的写法没成功。其实不用eval(parse)这种容易出错的方式，我们可以用更安全的列提取方法来实现，下面给你几种可行的方案：

先准备可复现的示例数据 #

首先我们先构造模拟数据，方便你测试代码：

set.seed(123) # 固定随机种子，保证结果一致
# 创建包含7个measure的数据集
longdat <- data.frame(
  measure1 = rnorm(100),
  measure2 = rnorm(100),
  measure3 = rnorm(100),
  measure4 = rnorm(100),
  measure5 = rnorm(100),
  measure6 = rnorm(100),
  measure7 = rnorm(100)
)

# 生成所有变量的配对组合
list.paired <- expand.grid(
  Var1 = names(longdat), 
  Var2 = names(longdat), 
  stringsAsFactors = FALSE
)

方案1：基础for循环（直观易理解） #

这种方式最直观，适合新手调试：

# 新增一列存储相关性结果
list.paired$correlation <- NA

# 遍历每一行计算相关性
for(i in 1:nrow(list.paired)){
  # 用[[安全提取对应列的向量（比eval(parse)可靠得多）
  x <- longdat[[list.paired$Var1[i]]]
  y <- longdat[[list.paired$Var2[i]]]
  
  # 计算相关性，use参数用来处理缺失值（根据你的数据情况调整）
  list.paired$correlation[i] <- cor(x, y, use = "complete.obs")
}

方案2：apply函数（简洁高效） #

如果不想写for循环，用apply一行就能搞定：

list.paired$correlation <- apply(list.paired, 1, function(row){
  x <- longdat[[row[1]]]
  y <- longdat[[row[2]]]
  cor(x, y, use = "complete.obs")
})

方案3：tidyverse风格（更符合现代R语法） #

如果你习惯用dplyr这类工具，可以用rowwise来逐行处理：

library(dplyr)

list.paired <- list.paired %>%
  rowwise() %>%
  mutate(
    correlation = cor(
      longdat[[Var1]], 
      longdat[[Var2]], 
      use = "complete.obs"
    )
  ) %>%
  ungroup()

关于你之前的eval(parse)问题 #

你之前的代码里加了.long后缀，如果你的longdat里的列名确实是measure1.long这种格式，那只需要在提取向量的时候加上后缀就行，比如：

x <- longdat[[paste0(list.paired$Var1[i], ".long")]]
y <- longdat[[paste0(list.paired$Var2[i], ".long")]]

但还是不推荐用eval(parse)，因为这种写法可读性差，而且容易因为字符串拼接出错，用[[提取列是R里更标准的做法。

内容的提问来源于stack exchange，提问作者pomodoro